항공기 엔진, 풍력발전기, 모터 등 회전기기에서 발생하는 많은 문제들은 진동이나 소음과 같은 신호 데이터를 측정하여 이상감지를 할 수 있으며, 주파수 분석 등 여러 가지 신호처리가 데이터 전처리 단계에서 필요하다. 본 논문에서는 진동 데이터를 분석하여 설비 이상상태를 감지하는 기법을 소개한다. 정상상태 데이터를 기반으로 마할라노비스 거리를 측정하여 이상상태 유무를 모니터링 하는 방식을 사용한다. 특히 신호 데이터의 전처리 기법들을 도입하여 이상상태 감지의 성능을 개선할 수 있음을 보여준다. 전처리 단계에서 신호 데이터 수집 과정에서 발생한 누설오차(leakage)를 없애기 위해 해밍 윈도우(Hamming window)를 적용하고, 신호 데이터의 원신호인 포먼트(formant)를 분리하기 위하여 켑스트럼(cepstrum) 분석을 실시한다. IMS베어링 진동 공개데이터를 대상으로 시간 구간별로 6가지 통계지표를 추출한 후 마할라노비스 거리 분류기를 적용하여 성능을 검증하였다. 제시된 신호처리 전처리 기법을 적용함으로써 성능이 획기적으로 향상되는 것을 실험에서 보여주었다.
항공기 엔진, 풍력발전기, 모터 등 회전기기에서 발생하는 많은 문제들은 진동이나 소음과 같은 신호 데이터를 측정하여 이상감지를 할 수 있으며, 주파수 분석 등 여러 가지 신호처리가 데이터 전처리 단계에서 필요하다. 본 논문에서는 진동 데이터를 분석하여 설비 이상상태를 감지하는 기법을 소개한다. 정상상태 데이터를 기반으로 마할라노비스 거리를 측정하여 이상상태 유무를 모니터링 하는 방식을 사용한다. 특히 신호 데이터의 전처리 기법들을 도입하여 이상상태 감지의 성능을 개선할 수 있음을 보여준다. 전처리 단계에서 신호 데이터 수집 과정에서 발생한 누설오차(leakage)를 없애기 위해 해밍 윈도우(Hamming window)를 적용하고, 신호 데이터의 원신호인 포먼트(formant)를 분리하기 위하여 켑스트럼(cepstrum) 분석을 실시한다. IMS 베어링 진동 공개데이터를 대상으로 시간 구간별로 6가지 통계지표를 추출한 후 마할라노비스 거리 분류기를 적용하여 성능을 검증하였다. 제시된 신호처리 전처리 기법을 적용함으로써 성능이 획기적으로 향상되는 것을 실험에서 보여주었다.
Many problems in rotating machinery such as aircraft engines, wind turbines and motors are caused by bearing defects. The abnormalities of the bearing can be detected by analyzing signal data such as vibration or noise, proper pre-processing through a few signal processing techniques is required to ...
Many problems in rotating machinery such as aircraft engines, wind turbines and motors are caused by bearing defects. The abnormalities of the bearing can be detected by analyzing signal data such as vibration or noise, proper pre-processing through a few signal processing techniques is required to analyze their frequencies. In this paper, we introduce the condition monitoring method for diagnosing the failure of the rotating machines by analyzing the vibration signal of the bearing. From the collected signal data, the normal states are trained, and then normal or abnormal state data are classified based on the trained normal state. For preprocessing, a Hamming window is applied to eliminate leakage generated in this process, and the cepstrum analysis is performed to obtain the original signal of the signal data, called the formant. From the vibration data of the IMS bearing dataset, we have extracted 6 statistic indicators using the cepstral coefficients and showed that the application of the Mahalanobis distance classifier can monitor the bearing status and detect the failure in advance.
Many problems in rotating machinery such as aircraft engines, wind turbines and motors are caused by bearing defects. The abnormalities of the bearing can be detected by analyzing signal data such as vibration or noise, proper pre-processing through a few signal processing techniques is required to analyze their frequencies. In this paper, we introduce the condition monitoring method for diagnosing the failure of the rotating machines by analyzing the vibration signal of the bearing. From the collected signal data, the normal states are trained, and then normal or abnormal state data are classified based on the trained normal state. For preprocessing, a Hamming window is applied to eliminate leakage generated in this process, and the cepstrum analysis is performed to obtain the original signal of the signal data, called the formant. From the vibration data of the IMS bearing dataset, we have extracted 6 statistic indicators using the cepstral coefficients and showed that the application of the Mahalanobis distance classifier can monitor the bearing status and detect the failure in advance.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 University of Cincinnati에서 제공하는 IMS(Intelligent Maintenance System) 베어링 결함 데이터를 대상으로 상태 모니터링 및 고장 사전감지를 위한 실험을 수행하였다. 이 데이터를 통하여 제시된 기법의 성능 평가를 위하여 세 가지 실험 계획을 수립하였다.
본 연구에서는 정상상태를 기준으로 마할라노비스 공간을 구축하여 거리를 측정하는 방식으로 진동 기반 설비 이상 진단을 수행하고자 하며, 이를 위하여 몇 가지 신호처리 기법들을 전처리에 적용하여 효과를 검증하였다. 특히 본 연구에서는 실제 고장이 발생된 베어링 진동 공개데이터를 시간에 따라 정상상태와 이상 상태로 분류하고 데이터의 특성에 맞는 적절한 전처리 기법을 적용하고 마할라노비스 거리 분류기를 적용함으로써 예지보전의 정확도를 향상시켰다.
본 연구에서는 진동 신호 데이터를 분석하여 회전 기기의 상태를 모니터링 할 수 있는 방법을 소개한다. 특히, 정상상태 데이터로부터 구축된 마할라노비스 공간(Mahalanobis space)을 기준으로 시스템의 상태를 평가함으로써 이상상태를 진단하는 마할라노비스 거리 분류기(Mahalanobis distance classifier)를 사용한다.
제안 방법
첫 번째 실험은 데이터를 전처리 과정을 거치지 않고 고장 유무를 진단하였고, 두 번째 실험에서는 단순히 표준화 과정만을 수행한 이후 상태를 진단하였다. 마지막 실험은 논문에서 제시한 상태 모니터링 기법에 따라서 표준화, 해밍 윈도우, 켑스트럼 분석을 모두 수행한 데이터로 장비상태를 진단하고 이를 비교하였다.
베어링 장비에 부착된 센서를 통해 베어링의 진동, 소음 신호를 계측하고 수집한다. 수집된 신호 데이터는 전처리 모듈에서 신호처리 기술을 적용하여 진단에 용이한 형태로 변환된다.
진단 모듈에서는 전처리된 신호 패턴을 분석하여 현재 상태를 파악하고 고장유무를 판정하는 진단 및 모니터링 작업을 수행한다. 본 논 문에서는 마할라노비스 거리 분류기를 이용하며, 해당 설비가 정상적인 상태에서 얼마나 멀어지고 있는지를 마할라노비스 거리로 측정하여 각 상태의 고장유무를 판단한다.
본 연구에서는 구간별 신호 데이터로부터 추출된 통계적 지표로 구성된 벡터에 대하여 마할라노비스 거리를 측정하여, 해당 구간의 이상상태 여부를 판정하게 된다.
본 연구에서는 이상상태 감지를 위하여 먼저 정상상태 훈련 데이터를 이용하여 마할라노비스 공간을 구성한다. 정상상태 데이터의 개수를 n이고 통계적 지표의 개수가 k라고 할 때, i번째 데이터의 j번째 통계적 지표값 xij은 식 (3)과 같이 그 통계적 지표들의 평균인 #를 빼고 그 표준편차 sj로 나누어 표준화할 수 있다.
산업장비로부터 수집된 시계열 진동 신호 데이터를 표준화 등의 전처리 없이 정상상태의 훈련 데이터로 마할라노비스 공간을 구성하고, 테스트 데이터들의 진단 성능을 확인하였다. 마할라노비스 공간을 기준으로 정상상태 훈련 데이터의 마할라노비스 거리, 테스트 데이터의 마할라노비스 거리를 측정한 결과는 [Table 2], [Table 3]와 같다.
본 논문에서는 University of Cincinnati에서 제공하는 IMS(Intelligent Maintenance System) 베어링 결함 데이터를 대상으로 상태 모니터링 및 고장 사전감지를 위한 실험을 수행하였다. 이 데이터를 통하여 제시된 기법의 성능 평가를 위하여 세 가지 실험 계획을 수립하였다. 첫 번째 실험은 데이터를 전처리 과정을 거치지 않고 고장 유무를 진단하였고, 두 번째 실험에서는 단순히 표준화 과정만을 수행한 이후 상태를 진단하였다.
이 데이터를 통하여 제시된 기법의 성능 평가를 위하여 세 가지 실험 계획을 수립하였다. 첫 번째 실험은 데이터를 전처리 과정을 거치지 않고 고장 유무를 진단하였고, 두 번째 실험에서는 단순히 표준화 과정만을 수행한 이후 상태를 진단하였다. 마지막 실험은 논문에서 제시한 상태 모니터링 기법에 따라서 표준화, 해밍 윈도우, 켑스트럼 분석을 모두 수행한 데이터로 장비상태를 진단하고 이를 비교하였다.
본 연구에서는 정상상태를 기준으로 마할라노비스 공간을 구축하여 거리를 측정하는 방식으로 진동 기반 설비 이상 진단을 수행하고자 하며, 이를 위하여 몇 가지 신호처리 기법들을 전처리에 적용하여 효과를 검증하였다. 특히 본 연구에서는 실제 고장이 발생된 베어링 진동 공개데이터를 시간에 따라 정상상태와 이상 상태로 분류하고 데이터의 특성에 맞는 적절한 전처리 기법을 적용하고 마할라노비스 거리 분류기를 적용함으로써 예지보전의 정확도를 향상시켰다.
본 연구에서는 정상상태의 데이터셋으로부터 통계적 지표들을 추출하여 마할라노비스 공간을 구축한 후, 정상상태와 이상상태를 분류하는 단일 클래스 분류 기법을 사용한다. 특히, 이를 위한 전처리 단계를 세 가지로 구분하여 실험을 수행하였다. 구축된 마할라노비스 공간과의 거리가 2 이상인 경우에 이상상태로 분류하며, 세 가지 전처리 실험에서의 오차율을 [Table 8]과 같았다.
본 연구에서 사용된 데이터는 베어링 테스트 조정장치의 센서를 통해 베어링 진동 관측값이 10분 간격으로 기록되어 있다. 해당 장치의 축의 회전속도는 2,000PRM, 반지름 방향으로 6,000lbs의 하중이 가해졌으며, 1초 동안 20,480개(20 kHz)의 진동값이 10분 간격으로 기록되었다. 진단 시스템의 구축을 위해 4개의 베어링 중 정상 및 이상상태 식별이 가능한 첫 번째 베어링의 실험 데이터를 사용하였다.
대상 데이터
본 연구에서 사용된 데이터는 베어링 테스트 조정장치의 센서를 통해 베어링 진동 관측값이 10분 간격으로 기록되어 있다. 해당 장치의 축의 회전속도는 2,000PRM, 반지름 방향으로 6,000lbs의 하중이 가해졌으며, 1초 동안 20,480개(20 kHz)의 진동값이 10분 간격으로 기록되었다.
본 연구에서는 수집된 데이터를 시간 순서로 총 40개 구간의 데이터셋으로 나누고, 진동신호의 이상상태가 발견되기 시작하는 시점을 기준으로 24개의 훈련용 정상상태 데이터셋(T1~T24)과 4개의 테스트용 정상상태 데이터셋(N1~N4), 그리고 12개의 테스트용 이상상태 데이터셋(A1~A12)으로 구분하여 실험에 사용하였다.
해당 장치의 축의 회전속도는 2,000PRM, 반지름 방향으로 6,000lbs의 하중이 가해졌으며, 1초 동안 20,480개(20 kHz)의 진동값이 10분 간격으로 기록되었다. 진단 시스템의 구축을 위해 4개의 베어링 중 정상 및 이상상태 식별이 가능한 첫 번째 베어링의 실험 데이터를 사용하였다.
이론/모형
본 연구에서는 정상상태의 데이터셋으로부터 통계적 지표들을 추출하여 마할라노비스 공간을 구축한 후, 정상상태와 이상상태를 분류하는 단일 클래스 분류 기법을 사용한다. 특히, 이를 위한 전처리 단계를 세 가지로 구분하여 실험을 수행하였다.
시계열 데이터의 특성을 효과적으로 반영하기 위하여 알려진 6가지 통계 기반의 상태지표(condition indicators)를 이용하였고, 각 지표 의 측정 방법은 [Table 1]에 나타내었다.
본 연구에서는 진동 신호 데이터를 분석하여 회전 기기의 상태를 모니터링 할 수 있는 방법을 소개한다. 특히, 정상상태 데이터로부터 구축된 마할라노비스 공간(Mahalanobis space)을 기준으로 시스템의 상태를 평가함으로써 이상상태를 진단하는 마할라노비스 거리 분류기(Mahalanobis distance classifier)를 사용한다. 나아가 신호 데이터를 처리하는 기법들을 적용하여 마할라노비스 거리 분류기에 적용하여 이상상태 감지 성능이 획기적으로 향상되는 것을 보여준다.
성능/효과
IMS 베어링 데이터셋을 활용하여 이상감지 실험을 수행하면서 세 가지 전처리 실험을 비교 분석함으로써, 본 연구에서 제안하는 이상감지 방법의 성능이 우수함을 확인하였다. 특히, 제안된 이상 진단 방법은 실험 장치에 물리적인 힘을 가해 인위적으로 비정상 데이터를 생성하지 않고도 정상상태 데이터만을 이용하여 이상상태를 감지할 수 있다는 측면에서 의미가 있다.
[Table 7]에서 12개 이상상태 테스트 데이터(A1~A12)의 마할라노비스 거리가 2 이상으로 잘 분류가 되었고, 또한 4개 정상상태 테스트 데이터(N1~N4)의 거리도 모두 0~2 사이로 정확히 분류되었음을 확인할 수 있었다.
특히, 정상상태 데이터로부터 구축된 마할라노비스 공간(Mahalanobis space)을 기준으로 시스템의 상태를 평가함으로써 이상상태를 진단하는 마할라노비스 거리 분류기(Mahalanobis distance classifier)를 사용한다. 나아가 신호 데이터를 처리하는 기법들을 적용하여 마할라노비스 거리 분류기에 적용하여 이상상태 감지 성능이 획기적으로 향상되는 것을 보여준다.
반면에 표준화와 해밍 윈도우, 켑스트럼을 모두 적용한 실험에서는 학습용 정상상태의 마할라노비스 공간이 제대로 구성이 되어 오차율이 0%였으며, 훈련용 정상상태 및 이상상태 데이터 모두 마할라노비스 거리 2를 기준으로 완벽하게 분류가 되어, 오차율이 모두 0%로 측정됨을 확인할 수 있었다. 이는 해밍 윈도우를 통한 데이터의 누설오차 방지, 켑스트럼 분석을 통한 노이즈 제거 및 원신호 분리가 효과적으로 수행되어 베어링 결함 감지의 성능을 높일 수 있음을 보여주었다.
반면에 표준화와 해밍 윈도우, 켑스트럼을 모두 적용한 실험에서는 학습용 정상상태의 마할라노비스 공간이 제대로 구성이 되어 오차율이 0%였으며, 훈련용 정상상태 및 이상상태 데이터 모두 마할라노비스 거리 2를 기준으로 완벽하게 분류가 되어, 오차율이 모두 0%로 측정됨을 확인할 수 있었다. 이는 해밍 윈도우를 통한 데이터의 누설오차 방지, 켑스트럼 분석을 통한 노이즈 제거 및 원신호 분리가 효과적으로 수행되어 베어링 결함 감지의 성능을 높일 수 있음을 보여주었다.
구축된 마할라노비스 공간과의 거리가 2 이상인 경우에 이상상태로 분류하며, 세 가지 전처리 실험에서의 오차율을 [Table 8]과 같았다. 전처리를 하지 않은 실험과 표준화만을 수행한 실험에서는 학습용 정상 상태의 마할라노비스 거리가 2 이상으로 나타난 구간이 각각 2개, 1개씩 있어서 마할라노비스 공간이 제대로 구축되지 않았을 뿐만 아니 라, 훈련용 정상상태의 오차율이 각각 100%와 75%로 성능이 매우 저조하였다.
IMS 베어링 데이터셋을 활용하여 이상감지 실험을 수행하면서 세 가지 전처리 실험을 비교 분석함으로써, 본 연구에서 제안하는 이상감지 방법의 성능이 우수함을 확인하였다. 특히, 제안된 이상 진단 방법은 실험 장치에 물리적인 힘을 가해 인위적으로 비정상 데이터를 생성하지 않고도 정상상태 데이터만을 이용하여 이상상태를 감지할 수 있다는 측면에서 의미가 있다.
후속연구
본 연구의 결과는 베어링 데이터뿐만 아니라 산업 현장에서 다양한 진동 기반 설비 이상감지에 확대 적용할 수 있을 것으로 예상된다. 나아가 측정된 변수들 중에서 불필요한 변수를 제거한 후 마할라노비스 거리를 계산하는 방법인 마할라노비스 다구찌 시스템을 적용하여 보다 안정적인 진단 시스템을 구축할 수 있을 것으로 예상된다.
본 연구의 결과는 베어링 데이터뿐만 아니라 산업 현장에서 다양한 진동 기반 설비 이상감지에 확대 적용할 수 있을 것으로 예상된다. 나아가 측정된 변수들 중에서 불필요한 변수를 제거한 후 마할라노비스 거리를 계산하는 방법인 마할라노비스 다구찌 시스템을 적용하여 보다 안정적인 진단 시스템을 구축할 수 있을 것으로 예상된다.
질의응답
핵심어
질문
논문에서 추출한 답변
켑스트럼 분석이란 무엇인가?
켑스트럼 분석은 고속 푸리에 변환(fast Fourier transformation: FFT)을 적용하여 주파수 영역(frequency domain)으로 표시된 신호의 로그 스케일을 푸리에 역변환(Inverse FFT)하는 방법이다. 시간축 상에서 일반적인 충격 신호에 대한 응답은 입력 신호와 전달함수가 합성(convolution)되어 복잡한 형태의 신호로 나타나는데, 이때 켑스트럼 분석을 적용하면 입력 신호의 파형과 응답을 구현하는 전달함수를 분리할 수 있다.
회전 장치에 물리적인 힘을 가해 인위적으로 비정상 데이터를 생성하면 나타나는 한계점은 무엇인가?
기존 연구에서는 정상적으로 동작하는 회전 장치에 물리적인 힘을 가해 인위적으로 비정상 데이터를 생성하여 이상 진단을 구현하기도 하였다[8]. 그러나 이러한 인위적인 이상상태 데이터는 실제 환경의 다양한 이상상태를 정확하게 반영하기 힘들기 때문에 현실을 반영하는데 한계가 있다.
제조설비 분야에서 예지보전 기술의 필요성이 대두되고 있는 이유는 무엇인가?
오늘날 제조업은 새로운 기술과 고도의 지능화된 시스템의 등장으로 인해 기계 시스템이 점점 발전해 나아가고 있는 한편 그에 따른 불확실성과 복잡성 역시 크게 증가하고 있는 추세이다[4]. 제조설비들은 다양한 장치들이 결합되면서 점점 복잡해지고 있으며, 설비가 노후화되면 고장에 취약해지고 유지보수가 어렵기 때문에, 생산성, 가용성, 안전성 향상을 위한 예지보전 기술의 필요성이 대두되고 있다[5].
참고문헌 (9)
Alejandro, D., Mejia, T., Medjaher, K., Zerhouni, N., and Tripot, G., "A Data-Driven Failure Prognostics Method Based on Mixture of Gaussians Hidden Markov Models," IEEE Transactions on Reliability, Vol. 61, No. 2, pp. 491-501, 2012.
Jeon, B. C., Jung, J. H., Youn, B. D., Kim, Y. W., and Bae, Y. C., "Evaluation of Datum Unit for Diagnostics of Journal-Bearing Systems," Transactions of the Korean Society of Mechanical Engineers, Vol. 39, No. 8, pp. 801-806, 2015.
Lee, S. H. and Lim, G., "Performance Comparison of Mahalanobis-Taguchi System and Logistic Regression-A Case Study," Journal of the Korean Institute of Industrial Engineers, Vol. 39, No. 5, pp. 393-402, 2013.
Lee, S. H. and Yoon, B. D., "Industry 4.0 and direction of prognostics and health management (PHM)," Vol. 25, No. 2-4, pp. 351-357, 2015.
Lim, H. J., Kim, S. D., Jung, S. H., Hong, S. W., Oh, G. H., and Park, J. H., "Analysis of Vibration Signal for Failure Diagnosis of Rotating Devices," Proceedings of Korean Society of Precision Engineering Spring Conference, pp. 301-307, 1995.
Paik, Y. S., Mok, Y. J., Lee, S. J., and Lee, Y. B., "Data Processing of Vibration Records and Its Application," Journal of the Korean Society of Civil Engineers, Vol. 16, Vol. 2-4, No. III-4, pp. 351-358, 1995.
Park, C. S. and Youn, D. J., "A Noise Reduction Signal Processing for Online Monitoring: Minimum Variance Cepstrum," Journal of the Korean Society for Nondestructive Testing, Vol. 31, No. 6, pp. 671-676, 2011.
Park, S. G., Park, W. S., Jung, J. E., Lee, Y. Y., and Oh, J. E., "A Fault Diagnosis on the Rotating Machinery Using Mahalanobis Distance," Transactions of the Korean Society of Mechanical Engineers, Vol. 32, No. 7, pp. 556-560, 2008.
Yang, J. H. and Kwon, O. K., "Model-based Fault Diagnosis Applied to Vibration Data," Journal of Institute of Control, Robotics and Systems, Vol. 18, No. 12, pp. 1090-1095, 2012.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.